Modelos Predictivos
en Nutrición y Salud

Propuesta de aporte y capacidad de integración al programa de Nutrición y Dietética

julio, 2023

Introducción

En el año 2015 las Naciones Unidas (ONU) firmaron los objetivos de desarrollo sostenible (ODS) y metas asociadas, en los que se incluyen, entre otros:

  • La erradicación de la pobreza extrema y reducir la desigualdad.
  • Acabar con el hambre.
  • Lograr la seguridad alimentaria y mejora de la nutrición.
  • Garantizar una vida saludable y promover el bienestar para todos en todas las edades.
  • Disminuir de la mortalidad por enfermedades no transmisibles (ENT).

Introducción

  • Las ENT se cobran la vida de 41 millones de personas todos los años, lo que equivale al 74% de todas las muertes a nivel mundial.
  • Las enfermedades cardiovasculares representan la mayor parte de la mortalidad por ENT, es decir, 17.9 millones de personas al año … y la diabetes 2 millones, incluidas las muertes por enfermedad renal causadas por la diabetes.
  • En 2020 se estimó que 149 millones de niños menores de 5 años, sufrieron retraso en talla por malnutrición crónica y 45 millones sufrieron emaciación debido a la desnutrición aguda.

Introducción

  • Se estima que el 52% de los adultos de la población mundial tienen exceso de peso.
  • En países de bajos ingresos se incrementa la doble carga de malnutrición, coexiste la desnutrición y obesidad coexistiendo, incluso en el mismo hogar.
  • La prevalencia del hambre que se sitúa en un 9.9% a nivel mundial, lo que representa casi 811 millones de personas.
  • En Colombia el 12.9% de la población presenta inseguridad alimentaria moderada o severa

Reflexiones

Al tratarse de relaciones multifactoriales que desencadenan diversos desenlaces adversos a la salud, cobra relevancia la investigación en estos temas para establecer parámetros de atención y prevención de las ENT.

Es necesario formar profesionales e investigadores en Nutrición, con altas competencias en metodologías de investigación que contribuyan a la comprensión, descripción y modelamiento de estos fenómenos en su entorno, sus interacciones y dinamismo para establecer probabilidades de desenlaces en salud

Reflexiones

El conocimiento del riesgo de un evento futuro en pacientes o grupos de individuos, permite tener pronósticos para la toma de decisiones diagnósticas y terapéuticas en función de la prevención o tratamiento.

Así mismo, es importante la identificación de los factores individuales, ambientales y clínicos asociados al riesgo de evento en cualquier caso.

Curso: Modelos Predictivos en Nutrición y Salud

Obejtivos

  • Identificar las herramientas y técnicas informáticas para la construcción, evaluación y validación de los modelos predictivos.
  • Construir modelos predictivos que contribuyan al entendimiento y mejor toma de decisiones en el campo de la nutrición.
  • Aplicar los modelos predictivos en el diseño de intervenciones nutricionales que impacten la salud.

Contenido

  • Unidad 1: Introducción a los modelos predictivos
  • Unidad 2: Métodos basados en Árboles
  • Unidad 3: Métodos basados en comportamientos no-lineales
  • Unidad 4: Modelamiento multiparamétrico

Unidad 1: Introducción a los modelos predictivos

  • Modelos de regresión lineales generalizados
    • Lineal
    • Logística
    • Poisson (conteo/tasa de incidencia)
    • Binomial Negativa (sobredispersión)
  • Medidas de rendimiento, discriminación y calibración de modelos (validez interna)
  • Métodos Bootstrap y validación cruzada (validez interna)

Unidad 1: Introducción a los modelos predictivos

Unidad 1: Introducción a los modelos predictivos

Unidad 1: Introducción a los modelos predictivos

Unidad 1: Introducción a los modelos predictivos

Unidad 2: Métodos basados en Árboles

  • Árboles de clasificación y regresión
  • Random Forest (bosques aleatorios)
  • Métodos bagging y boosting

Unidad 2: Métodos basados en Árboles

Unidad 2: Métodos basados en Árboles

Unidad 2: Métodos basados en Árboles

Unidad 2: Métodos basados en Árboles

Unidad 2: Métodos basados en Árboles

Unidad 3: Métodos basados en comportamientos no-lineales

  • Regresión por splines
  • Suavizamiento de splines
  • Modelos aditivos generalizados

Unidad 3: Métodos basados en comportamientos no-lineales

Unidad 3: Métodos basados en comportamientos no-lineales

Unidad 3: Métodos basados en comportamientos no-lineales

Unidad 3: Métodos basados en comportamientos no-lineales

Unidad 3: Métodos basados en comportamientos no-lineales

Unidad 3: Métodos basados en comportamientos no-lineales

Unidad 4: Modelamiento multiparamétrico

  • Modelos aditivos generalizados de localización, forma y escala (GAMLSS)
  • Términos de suavizado aditivo
  • Selección de modelos
  • Estimación de centiles y curvas de crecimiento

Unidad 4: Modelamiento multiparamétrico

Multiparamétrico se refiere a que es posible modelar los momentos de las distribuciones de probabilidad de la variable respuesta de manera independiente, es decir:

  • Tendencia en Media
  • Tendencia en varianza
  • Tendencia en simetría
  • Tendencia en curtósis (apuntamiento)

La flexibilidad de los modelos GAMLSS permite modelar los comportamientos lineales, aditivos o no lineales. Como resultado, se consigue caracterizar la distribución completa, permitiendo generar intervalos probabilísticos y predicción de cuantiles.

Unidad 4: Modelamiento multiparamétrico




Unidad 4: Modelamiento multiparamétrico

Unidad 4: Modelamiento multiparamétrico

Propósitos de formación

Propósito 2. Identificar y analizar los factores biológicos, sociales, económicos, culturales y ambientales y su influencia en el sistema de protección social en salud, en el sistema alimentario y en la situación alimentaria y nutricional.

Propósito 4. Desarrollar y aplicar conocimiento de la ciencia de los alimentos y su normatividad en los procesos de producción, procesamiento, conservación y consumo para favorecer la salud y nutrición humana.

Metodología

Presencial, asistido parcialmente con TIC, con estrategias didácticas: ABP, Taller, Aprendizaje Invertido y por pares, y Clase Magistral

  • Se realizará discusión con los estudiantes y resolución de inquietudes, a partir de las guías de lectura.
  • Se realizarán trabajos prácticos de modelamiento con el software estadístico
  • Se tendrá seminario de análisis crítico artículos de investigación asignado por el docente y sugeridos por los estudiantes.
  • Se contarán con cortas charlas e intervenciones de profesionales expertos en modelos predictivos, donde se expliquen los casos de éxito en la industria y la investigación.
  • Los estudiantes tendrán a su disposición un aula en Moodle con diversos recursos SCORM, así como aplicaciones web desarrolladas con R, para aportar a la interactividad como recurso didáctico que favorece el aprendizaje.

Contribución Institucional

Docencia

Aportar en la formación de profesionales e investigadores con altas competencias en métodos cuantitativos de investigación

Implementar estrategias didácticas innovadoras para contribuir en el proceso de enseñanza – aprendizaje

aportar a que los investigadores adquieran mejores habilidades para el diseño, plenación y ejecución de proyectos de investigación cuantitativa

Aportar material didactico específico en el tema, para que otros profesionales de diversas disciplinas interesadas en el tema, se beneficien del contenido

Investigación

Aplicar estos conocimientos contribuyen a la generación de investigación de alta calidad y relevancia en la comunidad científica internacional, ya que los resultados de las investigaciones que incluyen modelos predictivos son de alto interés académico y científico, lo que aumenta la visibilidad de la cualificación de la Universidad de Antioquia y de la Escuela de Nutrición y Dietética a nivel global.

Investigación

Se pueden establecer colaboraciones con instituciones académicas y científicas a nivel nacional e internacional, promoviendo intercambios de estudiantes y docentes, presentaciones o conferencias conjuntas, participación en proyectos de investigación y publicaciones conjuntas de investigaciones; puntos importantes en la proyección internacional como proyecto de la Escuela de Nutrición y Dietética.

Extensión

Los modelos predictivos pueden utilizarse para identificar patrones en los datos y predecir resultados futuros, de modo que permite la implementación de intervenciones preventivas y el diseño de políticas públicas más efectivas.

Un proyecto de Telenutrición puede beneficiarse de esta metodología desde la formulación del proceso diagnóstico, identificación de variables importantes que pueden predecir el estado nutricional o una afectación en salud, seguimiento en el tiempo de los pacientes tanto en su estado como en su evolución terapéutica, así como la actualización, mejoramiento y calibración de los modelos predictivos necesarios para la toma de decisiones informadas.

Bibliografía

Cultura o Zona Geográfica

Bibliografía

Palabras Clave

Suráfrica, Canadá y EEUU James, G., Witten, D., Hastie, T., Tibshirani, R. (2021). Introduction. In: An Introduction to Statistical Learning. Springer Texts in Statistics. Springer, New York, NY. Máquinas de aprendizaje; Árboles de clasificación y regresión; Random Forest; Validación Cruzada; Regresión
Inglaterra, Grecia, Australia y Brasil Stasinopoulos, M. D., Rigby, R. A., Heller, G. Z., Voudouris, V., & De Bastiani, F. (2017). Flexible regression and smoothing: using GAMLSS in R. CRC Press. GAMLSS; Regresión por centiles; curvas de crecimiento
EEUU Kuhn, M., & Johnson, K. (2013). Applied predictive modeling (Vol. 26, p. 13). New York: Springer. Modelos predictivos; regresión; sobreajuste; modelos no-lineales
China Zhang, Zhongheng, and Michael W. Kattan. “Drawing Nomograms with R: applications to categorical outcome and survival data.” Annals of translational medicine 5.10 (2017). Nomograma; regresión logística
Colombia Isaza Jaramillo, S., & Jaimes Barragán, F. A. Ronda clínica y epidemiológica: aproximación a los modelos de predicción clínica. IATREIA vol. 30 no. 1 (2017). Predicción; Pronóstico; Validez;
China Zhang, Zhongheng. “Too much covariates in a multivariable model may cause the problem of overfitting.” Journal of thoracic disease 6.9 (2014): E196. Sobreajuste
China Zhang, Zhongheng. “Model building strategy for logistic regression: purposeful selection.” Annals of translational medicine 4.6 (2016). Regresión logística
Inglaterra, EEUU, China, Brasil, Pakistán, India y Canadá Ismail, L. C., Bishop, D. C., Pang, R., Ohuma, E. O., Kac, G., Abrams, B. & Villar, J. (2016). Gestational weight gain standards based on women enrolled in the Fetal Growth Longitudinal Study of the INTERGROWTH-21st Project: a prospective longitudinal cohort study. bmj, 352. Crecimiento; modelos longitudinales; regresión por centiles

¡Muchas Gracias!